-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.3 2023-03-28 라벨링데이터 수정 1.2 2021-09-03 데이터 품질 보완 1.1 2021-08-23 데이터 추가 개방 1.0 2021-06-25 데이터 최초 개방 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-04-12 메타데이터/세부데이터/데이터 통계/활용AI모델 및 코드 내용 개정 2022-10-12 신규 샘플데이터 개방 소개
안전모, 안전화 등의 안전장비 객체 인식과 작업자의 안전장비 착용 여부를 인식하는 이미지 데이터
구축목적
건설공사와 관련한 안전사고 예방을 위해 공사현장에서 필수 착용해야 하는 안전장구류의 영상, 이미지를 확보하여 AI학습용데이터 구축
-
메타데이터 구조표 데이터 영역 재난안전환경 데이터 유형 이미지 데이터 형식 jpg 데이터 출처 직접취득 라벨링 유형 바운딩박스, 폴리곤, 키포인트 라벨링 형식 JSON 데이터 활용 서비스 안전장비 착용 여부 실시간 감지 서비스 데이터 구축년도/
데이터 구축량2020년/203만 -
구축 내용 및 제공 데이터량
공사현장 안전장비 인식 이미지 구축 내용 및
제공 데이터량 표과제명 데이터 구축량 비고 이미지 목표수량 공사현장 안전장비 인식 데이터 이미지 2,000,000장 이상 BB 9,000,000 이상 BB 9,481,123개 Polygon은 안전벨트 Polygon 40,000개 이상 Polygon 76,769개 Keypoint 120,000개 이상 Keypoint 128,656개 공사현장 안전장비 인식 이미지 구축 내용 및
제공 데이터량 표데이터유형 단위 목표수량 비고 이미지 장 2,000,000 Instance 개 9,160,000 Bounding Box 개 9,000,000 Polygon 개 40,000 Polygon은 안전벨트 Keypoint 개 120,000 -
-
AI 모델 상세 설명서 다운로드
AI 모델 다운로드• YOLACT Architecture
< Backbone - ResNet >
파란색/노란색은 프로토타입ㅇ에서 낮은/큰 값을 나타내고, 회색 노드는 기능을 나타냄
출처:“YOLACT Real-time Instance Segmentation”, Daniel Bolya, Chong Zhou, Fanyl Xiao, Yong Jae Lee, University of Californaia, Davis.• YOLACT Architecture의 주요과정
1) 먼저 입력 이미지를 feature map으로 변형시켜주는 부분인 Backbone은 ResNet-101을 기반으로 구현한다.
2) 이미지에서 residual neuiral network를 통해 C1,...,C5까지 5개의 feature map을 먼저 구성한다.
3) 그 후, Feature Pyramid Network(FPN)를 통해 P3,...,P7까지 5개의 feature map을 새롭게 생성한다.
• YOLACT의 장점
- 인스턴스 분할(instance segmentation)을 이용하여 성능 향상: 인스턴스 분할을 두 개의 병렬작업으로 나누어 처리함으로써 성능을 향상1) 이미지에 대한 Prototype 마스크 생성 (Protonet branch)2) 인스턴스 별 마스크 개수 예측(Prediction Head branch)
- 병렬 구조로 인해 매우 가벼운 조립 공정으로 ᄈᆞ른 연산 속도(30fps 이상):· YOLACT는 1단계 백본 검춝기(one-stage backbone detector)에 대해 약간의 계산 오버헤드만 추가· 전체 mask branch를 평가하는데 5ms 정도 소요
- 마스크 고품질: 마스크는 repooling 기법으로 인해 품질의 손상 없이 이미지 공간의 전체 범위를 사용하기 떄문에 고해상도 feature map일수록 작은 object에 대해 좋은 성능을 보임
- 일반성: 프로토타입 및 마스크 계수를 거의 모든 최신 물체 감지기에 추가할 수 있다.
- Fast NMS 기법 사용으로 속도 개선: YOLACT에서는 동일 instance를 focus하는 anchor box 중 confidence가 가장 높은 anchor box만 남기고 다른 중복 anchor box는 제거하는 NMS(Non-maximum suppression) 대신 Fast NMS라는 새로운 기법을 제시하는데 이는 NMS보다 성능은 거의 떨어뜨리지 않으면서 더 높은 속도를 보인다. -
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드구축 목적
- 건설공사와 관련한 안전사고 예방을 위해 공사현장에서 필수 착용해야하는 안전장구류의 영상, 이미지를 확보하여 AI학습용데이터 구축
활용 분야
- 공사현장에서 필수 착용해야하는 안전장구류 객체 인식 기반의 안전 관련 인공지능 AI 알고리즘 개발연구
소개
- 공개된 양질의 공사현장 안전장비 인식데이터를 관련 기업, 대학/연구소 등이 활용하여 AI 알고리즘 수준 향상, 플랫폼 서비스 기술 등 원천 기술 확보
대표도면
{
"image": {
"date": "20201026",
"path": "S2-N0510M00001",
"filename": "S2-N0510M01823.jpg",
"copyrighter": "미디어그룹사람과숲(컨)",
"H_DPI": 96,
"location": "05",
"V_DPI": 96,
"bit": "24",
"resolution": [
1920,
1080
]
},
"annotations": [
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
1549,
129,
1728,
320
],
"class": "07"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
904,
294,
973,
388
],
"class": "07"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
690,
157,
848,
344
],
"class": "07"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
13,
377,
93,
460
],
"class": "07"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
473,
375,
522,
421
],
"class": "08"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
17,
449,
112,
584
],
"class": "01"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
475,
411,
549,
506
],
"class": "01"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
726,
357,
914,
657
],
"class": "01"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
880,
385,
984,
583
],
"class": "01"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
1592,
311,
1859,
714
],
"class": "01"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
35,
693,
158,
777
],
"class": "05"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
879,
731,
989,
819
],
"class": "05"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
755,
977,
899,
1080
],
"class": "05"
},
{
"data ID": "S2",
"middle classification": "01",
"flags": {},
"box": [
1692,
470,
1918,
758
],
"class": "04"
}
]
}필요성
- 안전모, 안전고리 착용여부, 작업인원의 위치 관제 등에 대한 건설현장 안전관리 필요
- 공사현장의 다양한 작업환경은 건설 공정이 진행됨에 따라 능동적인 대처가 가능한 기술 적용 필요
- 지능형 공사 현장 안전관리를 위한 AI응용서비스 수준향상을 위한 학습 데이터 구축 필요
데이터 구조
- 데이터 구조
공사현장 안전장비 인식 이미지 데이터 구조 표 No. 항목명 설명 필수여부 항공 공사 화재 1 date 촬영일자 Y Y Y 1-1 path path정보 Y Y Y 1-2 filename 파일이름(*jpg) Y Y Y 1-3 copyrighter 저작권소유자 Y Y Y 1-4 H-DPI 수평 해상도 값 Y Y Y 1-5 location 촬영 장소 Y Y Y 1-6 bit 비트 수준 Y Y Y 1-7 V-DPI 수직 해상도 값 Y Y Y 1-8 resolution 이미지 해상도 Y Y Y 2 2-1 대분류 대분류 정보 Y 2-2 중분류 중분류 정보 Y Y Y 2-3 flags 겹침 및 잘림 여부 Y Y 2-4 box Boundung Box 좌표 Y Y Y 2-5 class Class 정보 Y Y Y - 데이터 셋(JSON 구조)
공사현장 안전장비 인식 이미지 데이터 구조 표 분류 항목 내용 값 범위 입력 방법 {
"image": {
"filename": "sample.JPG",
"copyrighter": "미디어그룹사람과숲 (컨)",
"date": "2020.10.15",
"location": "01"
"H DPI": "72",
"V DPI": "72",
"bit": "24",
"resolition": [1920,1280]},
{
"annotations": {[
"bbox": [x,y, x,y],
또는 "polygon": [[x1,y1],[x2,y2], ...]
"data ID": "S 2",
"middle classification": "01",
"class": "01"
"flags": {
"not occluded",
"not truncated"
]}이미지 정보 파일명 파일명 입력 저작권 소유자 고정값 입력 촬영 일시 폴더명 입력 촬영 장소 01~17 파일명에서 추출
S2-N 01
01M00001.JPG수평 해상도 이미지 속성에서 추출 수평 해상도 수직 해상도 이미지 속성에서 추출 수직 해상도 비트 수준 이미지 속성에서 추출 비트 수준 이미지 해상도 이미지 속성에서 추출 사진 크기 어노테이션 정보 드로잉 타입/좌표값 어노테이션 입력 파일명에서 추출
S2-N 01
01M00001.JPG세부 과제 분류 어노테이션 입력 중분류 01~07 어노테이션 입력 클래스 정보 01~45 어노테이션 입력 추가 정보 객체 가림 어노테이션 입력 객체 잘림 어노테이션 입력 - 어노테이션 포맷
공사현장 안전장비 인식 이미지 어노테이션 포맷 표 항목 가공단위 가공방식 값 Tagname 표현방식 안전보호구 객체 Bounding box 객체외곽을 Box로 가공/
Polygon 객체외곽을 Point로 가공 크라우드가 정의x,y의 array/x,y의 2개 Polygon json array 형식 예)
[200,100],[500,800]
[200,100],[205,120],[250,150]...중장비 객체 Bounding box 객체외곽을 Box로 가공
크라우드가 정의x,y의 2개 point Bbox json array 형식 예)
[200,100],[500,800]구조물 객체 Bounding box 객체외곽을 Box로 가공
크라우드가 정의x,y의 2개 point Bbox json array 형식 예)
[200,100],[500,800]비계 객체 Bounding box 객체외곽을 Box로 가공
크라우드가 정의x,y의 2개 point Bbox json array 형식 예)
[200,100],[500,800]자재 및 공구 객체 Bounding box 객체외곽을 Box로 가공
크라우드가 정의x,y의 2개 point Bbox json array 형식 예)
[200,100],[500,800]떨어짐 객체 Keypoint 가공
COCO-style의 15개 point 가공
크라우드가 정의x,y,z 의 15개 point Keypoint COCO-sty;e 형식 예)
(200,100,2),(200,150,2),(150,150,0),...
-부딛힘 객체 Keypoint 가공
COCO-style의 15개 point 가공
크라우드가 정의x,y,z 의 15개 point Keypoint COCO-sty;e 형식 예)
(200,100,2),(200,150,2),(150,150,0),...
-넘어짐 객체 Keypoint 가공
COCO-style의 15개 point 가공
크라우드가 정의x,y,z 의 15개 point Keypoint COCO-sty;e 형식 예)
(200,100,2),(200,150,2),(150,150,0),...
-물체에 맞음 객체 Keypoint 가공
COCO-style의 15개 point 가공
크라우드가 정의x,y,z 의 15개 point Keypoint COCO-sty;e 형식 예)
(200,100,2),(200,150,2),(150,150,0),...
- -
데이터셋 구축 담당자
수행기관(주관) : 미디어그룹사람과숲
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 성낙춘 02-6959-6632 sung_1973@humanf.co.kr · 사업관리 총괄 · 데이터 가공/품질 · 활용 서비스 수행기관(참여)
수행기관(참여) 기관명 담당업무 링크플로우(주) · 사업관리
· 데이터 수집(주)휴랜 · 데이터 수집
· 데이터 정제주식회사 인피닉 · 플랫폼 운영 (가공, 크라우드) 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 성낙춘(미디어그룹사람과숲) 02-6959-6632 sung_1973@humanf.co.kr
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.